內容簡介
使用scikit-learn探索各式機器學習模型，實作多種機器學習演算法
機器學習是近年的熱門話題，它將電腦科學與統計學結合在一起，打造智慧又有效率的模型。你可以使用機器學習提供的強大演算法和技術，來自動化任何分析模型，而scikit-learn正是一個優秀的Python機器學習函式庫，它可以實作多種機器學習演算法，是非常好用的工具。
本書詳細介紹一系列機器學習模型和scikit-learn的使用技巧。從機器學習的基礎理論講起，涵蓋了簡單線性迴歸、KNN演算法、特徵提取、多元線性迴歸、邏輯斯迴歸、單純貝氏、非線性分類、決策樹迴歸、隨機森林、感知器、支援向量機、類神經網路、K-MEANS演算法等重要話題。
本書亦詳細討論資料預處理、超參數最佳化和整體（ensemble）方法。你也將學會使用scikit-learn的API，從分類變數、文本和影像之中提取特徵，一步步建立改善模型效能的專業直覺。
適用讀者
本書適合機器學習領域的工程師，也適合想要了解scikit-learn的資料科學家。
在這本書中，你將學到：
・基本概念簡述，如「偏誤」和「變異數」
・建置能夠分類文件、識別影像及偵測廣告的系統
・使用「線性迴歸」和「KNN」預測連續變數的值
・使用「邏輯斯迴歸」和「支援向量機」對文件和影像進行分類
・使用「裝袋法」和「提升法」建立估計器整體
・使用K-MEANS集群發現資料中的隱藏結構
・在常見任務中評估機器學習系統的效能
【下載範例程式檔案】
本書的程式碼是由GitHub託管，可以在如下網址找到：
github.com/PacktPublishing/Mastering-Machine-Learning-with-scikit-learn-Second-Edition
作者介紹
作者簡介
Gavin Hackeling
Gavin Hackeling是一名資料科學家和作家。他研究過各式各樣的機器學習問題，包括自動語音辨識、文件分類、物件辨識以及語義分割。他畢業於北卡羅來納大學和紐約大學。目前他和妻子與愛貓一起生活在布魯克林。
目錄
前言
第1章：機器學習基礎
定義機器學習
從經驗之中學習
機器學習任務
訓練資料、測試資料和驗證資料
偏誤和變異數
scikit-learn簡介
安裝scikit-learn
安裝pandas、Pillow、NLTK和matplotlib
小結
第2章：簡單線性迴歸
簡單線性迴歸
評價模型
小結
第3章：使用KNN演算法分類和迴歸
KNN模型
惰式學習和非參數模型
KNN模型分類
KNN模型迴歸
小結
第4章：特徵提取
從分類變數中提取特徵
特徵標準化
從文本中提取特徵
從影像中提取特徵
小結
第5章：從簡單線性迴歸到多元線性迴歸
多元線性迴歸
多項式迴歸
正規化
應用線性迴歸
梯度下降法
小結
第6章：從線性迴歸到邏輯斯迴歸
使用邏輯斯迴歸進行二元分類
垃圾郵件過濾
使用網格搜尋微調模型
多元分類
多標籤分類和問題轉換
小結
第7章：單純貝氏
貝氏定理
生成模型和判別模型
單純貝氏
在scikit-learn中使用單純貝氏
小結
第8章：非線性分類和決策樹迴歸
決策樹
訓練決策樹
使用scikit-learn建立決策樹
小結
第9章：整體方法：從決策樹到隨機森林
裝袋法
提升法
堆疊法
小結
第10章：感知器
使用感知器進行文件分類
感知器的侷限性
小結
第11章：從感知器到支援向量機
核心與核技巧
最大化分類邊界和支援向量
使用scikit-learn分類字元
小結
第12章：從感知器到類神經網路
非線性決策邊界
前饋式類神經網路和回饋式類神經網路
多層感知器
訓練多層感知器
小結
第13章：K-MEANS演算法
分群
K-MEANS演算法
評估集群
影像量化
透過分群學習特徵
小結
第14章：使用主成分分析降維
主成分分析
使用PCA對高維度資料視覺化
使用PCA進行臉部辨識
小結
